[發明專利]基于門控循環神經網絡模型的孔隙度預測方法

在審

• 申請號: 202010197815.9
• 申請日: 2020-03-19
• 公開（公告）號: CN111338002A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 陳偉;宋輝
• 申請（專利權）人: 長江大學
• 主分類號: G01V11/00
• 分類號: G01V11/00;G06N3/04;G06N3/08
• 代理公司: 武漢開元知識產權代理有限公司 42104
• 代理人: 陳家安

一種基于門控循環神經網絡模型的孔隙度預測方法，包括以下步驟：S1：構建用于孔隙度預測的基于門控循環神經網絡模型；基于門控循環神經網絡模型包括GRU層、全連接層；S2：選取多組能表征已知井孔隙度的測井參數作為輸入數據，按比例隨機分為訓練集和驗證集，對輸入數據作歸一化處理后輸入到所述基于門控循環神經網絡模型中，訓練所述基于門控循環神經網絡模型；S3：輸入未測井段的深度數據進行測試，利用上述步驟S2中訓練完成的基于門控循環神經網絡模型預測孔隙度。GRU具有記憶的特性，擅長處理序列問題，引入了門控單元控制信息傳遞可以更好的提取數據特征，用于孔隙度預測，預測精度更高。

技術領域

本發明屬于儲層參數預測領域，具體涉及一種基于門控循環神經網絡模型的孔隙度預測方法。

背景技術

孔隙度指的是儲層巖石中所含的孔隙體積，反映了巖石儲存流體的能力。它是評價儲層性質、計算油氣儲量必不可少的巖石物性參數。因此，提高儲層孔隙度預測精度是很有必要的。

孔隙度的測定是在實驗室中進行的，用的是小塊的巖芯或巖屑，測定時間比較長。除了費時之外，取心的成本也比較大。在很多情況下，取心僅限于某些層段，物性分析資料不足，不能全面地對儲層進行評價。與昂貴的巖心資料相比，使用測井數據來估算孔隙度是比較廉價的方法。常用的測井方法有自然伽馬、中子測井、聲波測井、密度測井等，不同的測井方法都能一定程度上反映儲層孔隙度的變化。根據測井數據與孔隙度的相關性，一些回歸方程被提出，但是這種方法預測精度并不高，因為測井數據與儲層孔隙度之間并不是絕對線性相關的。

發明內容

針對上述問題，本發明提供一種基于門控循環神經網絡模型的孔隙度預測方法。

為實現上述目的，本發明采用的技術方案為：

一種基于門控循環神經網絡模型的孔隙度預測方法，包括以下步驟：

S1：構建用于孔隙度預測的基于門控循環神經網絡模型；

基于門控循環神經網絡模型包括GRU層、全連接層；

所述GRU層結構包括更新門，重置門，候選狀態，隱藏狀態；

GRU隱藏層內部表達式如下：

z_t＝σ(W_z[h_t-1,x_t]+b_z) (1)

r_t＝σ(W_r[h_t-1,x_t]+b_r) (2)

其中，x_t為當前時刻的輸入向量，h_t-1為上一時刻的隱藏狀態向量，W_z與b_z分別為更新門的權重矩陣與偏置向量，σ為sigmoid函數，z_t為更新門的激活向量，r_t為重置門的激活向量，W_r與b_r分別為重置門的權重矩陣與偏置向量，為候選狀態向量，W_h與b_h分別為控制候選狀態信息的權重矩陣與偏置向量，z_t表示更新門激活向量，h_t為當前時刻的隱藏狀態向量；

S2：選取多組能表征已知井孔隙度的測井參數作為輸入數據，按比例隨機分為訓練集和驗證集，對輸入數據作歸一化處理后輸入到所述基于門控循環神經網絡模型中，訓練所述基于門控循環神經網絡模型；

S3：輸入未測井段的深度數據進行測試，利用上述步驟S2中訓練完成的基于門控循環神經網絡模型預測孔隙度。